🤖 machine learning

EvoMAS: Evolutionary Generation of Multi-Agent Systems

EvoMAS introduit un cadre évolutif qui génère automatiquement des systèmes multi-agents robustes et performants en affinant itérativement des configurations structurées par mutation et croisement conditionnés par des retours d'information, surpassant de manière significative à la fois les méthodes conçues par des humains et les méthodes automatiques antérieures sur divers benchmarks de raisonnement, d'ingénierie logicielle et d'utilisation d'outils.

Auteurs originaux : Yuntong Hu, Yuting Zhang, Matthew Trager, Yi Zhang, Shuo Yang, Wei Xia, Stefano Soatto

Publié 2026-05-28

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yuntong Hu, Yuting Zhang, Matthew Trager, Yi Zhang, Shuo Yang, Wei Xia, Stefano Soatto

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous deviez résoudre un problème très complexe, comme organiser un voyage international massif, déboguer un morceau de logiciel défectueux ou résoudre une énigme mathématique astucieuse. Vous pourriez demander à une personne très intelligente (une seule IA) de tout faire. Mais souvent, cette personne est submergée, commet des erreurs ou manque un détail crucial.

Une meilleure approche consiste à engager une équipe de spécialistes. Une personne planifie l'itinéraire, une autre vérifie le budget, une troisième réserve les hôtels et une quatrième vérifie à nouveau l'itinéraire. Cela s'appelle un Système Multi-Agents (SMA).

Le problème ? Concevoir l'équipe parfaite est incroyablement difficile. Vous devez décider :

Qui fait partie de l'équipe ?
Quels sont leurs rôles spécifiques ?
Comment communiquent-ils entre eux ?
Quel « cerveau » (modèle d'IA) chaque personne utilise-t-elle ?

Habituellement, les humains doivent concevoir manuellement ces équipes, ce qui est lent, coûteux et aboutit souvent à des équipes qui ne fonctionnent pas bien ensemble.

Voici EvoMAS : Le « Constructeur d'équipes évolutif »

L'article présente EvoMAS (Génération évolutive de systèmes multi-agents). Considérez EvoMAS non pas comme un concepteur, mais comme un naturaliste menant une expérience de survie du plus apte pour des équipes.

Voici comment cela fonctionne, en utilisant une analogie simple :

1. Le Zoo de départ (Le Pool)

Imaginez que vous avez un zoo rempli de différentes structures d'équipes. Certaines sont des « Clubs de débat » où tout le monde argumente pour trouver la vérité. D'autres sont des « Chaînes de montage » où le travail passe d'une personne à l'autre. Certaines sont des « Formes en étoile » où un patron donne des ordres à de nombreux travailleurs.

L'Innovation : Au lieu d'écrire du code à partir de zéro, EvoMAS traite ces structures d'équipes comme des configurations (comme une fiche de recette ou un plan). Cela les rend faciles à ajuster sans casser l'ensemble du système.

2. L'Essai (Exécution)

Lorsque vous donnez à EvoMAS une tâche spécifique (par exemple, « Corrigez ce bug dans le code »), il sélectionne quelques équipes du zoo pour les essayer.

Elles tentent la tâche.
Un « Juge » (une autre IA) les observe et les note : Ont-elles résolu le problème ? Ont-elles fait des erreurs ? Ont-elles pris trop de temps ?

3. L'Évolution (Mutation et Croisement)

C'est la partie magique. EvoMAS ne se contente pas de choisir le gagnant et de s'arrêter. Il utilise les retours du « Juge » pour faire évoluer les équipes, tout comme la nature fait évoluer les animaux.

Mutation (L'Ajustement) : Si une équipe a échoué parce que l'« Expert en mathématiques » était trop lent, EvoMAS pourrait remplacer son cerveau par un plus rapide, ou lui demander de rédiger ses étapes plus clairement. Il change une seule chose à la fois pour voir si cela aide.
Crossover (Le Mélange) : Si l'Équipe A est excellente en planification mais mauvaise en vérification, et que l'Équipe B est excellente en vérification mais mauvaise en planification, EvoMAS crée une équipe hybride. Il prend la structure de l'Équipe A mais y intègre les experts en vérification de l'Équipe B.
La Boucle : Cela se produit encore et encore. Les « mauvaises » équipes sont éliminées, et les « bonnes » équipes sont conservées, ajustées et mélangées à nouveau.

4. La Mémoire (Apprendre du passé)

EvoMAS a un carnet de notes. S'il découvre que « Les équipes avec un vérificateur dédié résolvent toujours mieux les problèmes mathématiques », il le note. La prochaine fois qu'il fait face à un problème mathématique, il ne repart pas de zéro ; il se souvient de cette astuce et l'utilise immédiatement.

Pourquoi est-ce mieux que ce que nous avions auparavant ?

Ancienne méthode (Génération de code) : Les méthodes précédentes tentaient d'écrire tout le code logiciel de l'équipe à partir de zéro. C'est comme demander à un chef d'inventer une nouvelle recette, une nouvelle cuisine et un nouveau four en même temps. Cela conduit souvent à des « erreurs de syntaxe » (le code plante) ou à des équipes trop rigides.
Méthode EvoMAS (Configuration) : EvoMAS modifie le plan (la configuration), pas le code brut. C'est comme réarranger les meubles d'une maison plutôt que de reconstruire les murs. Cela rend les équipes beaucoup plus fiables et moins susceptibles de planter.
Mieux que les humains : L'article montre qu'EvoMAS crée systématiquement des équipes qui surpassent les équipes conçues par des experts humains. Il a trouvé un « point idéal » dans la façon d'organiser l'équipe que les humains n'avaient pas envisagé.

Les Résultats en langage clair

Les chercheurs ont testé EvoMAS sur trois types de défis très différents :

Raisonnement : Résoudre des énigmes logiques et des problèmes mathématiques.
Ingénierie logicielle : Corriger de vrais bugs dans du code informatique.
Utilisation d'outils : Utiliser des outils numériques comme des calendriers, des e-mails et des graphiques de données.

Le Résultat :

Les équipes EvoMAS ont résolu ces problèmes plus précisément que les IA uniques, les équipes conçues par des humains et d'autres méthodes automatiques.
Elles étaient plus fiables. Alors que d'autres méthodes plantaient souvent ou échouaient à s'exécuter, les équipes d'EvoMAS ont presque toujours terminé le travail (plus de 96 % de taux de réussite).
Il a même battu les meilleurs scores sur un célèbre classement d'ingénierie logicielle (SWE-Bench) en utilisant les derniers modèles d'IA.

La Grande Conclusion

EvoMAS prouve que, au lieu d'essayer de concevoir manuellement l'équipe d'IA parfaite, nous pouvons laisser une IA faire évoluer l'équipe parfaite pour le travail spécifique à accomplir. C'est comme avoir un entraîneur qui regarde votre équipe jouer, réalise qui joue à une mauvaise position, échange les joueurs, change la stratégie et continue de faire cela jusqu'à ce que l'équipe soit imbattable.

L'article affirme qu'il s'agit d'une nouvelle méthode robuste pour construire des systèmes d'IA flexibles, fiables et plus intelligents que tout ce que nous pourrions concevoir à la main.

Résumé technique : EvoMAS – Génération évolutive de systèmes multi-agents

1. Énoncé du problème

Les systèmes multi-agents (SMA) basés sur les grands modèles de langage (LLM) démontrent un potentiel significatif pour le raisonnement complexe, la planification et les tâches augmentées par des outils. Cependant, concevoir des architectures de SMA efficaces reste laborieux, fragile et difficile à généraliser. Les méthodes existantes de génération automatique font face à un compromis fondamental entre expressivité et fiabilité :

Approches de génération de code : Des méthodes comme ADAS et MAS-GPT traitent la conception de SMA comme une recherche de code ouverte ou une synthèse directe de code. Bien qu'expressives, elles souffrent souvent d'échecs d'exécutabilité, d'exceptions d'exécution et de comportements fragiles dus à des erreurs de syntaxe et à la complexité de générer des programmes multi-agents valides en une seule passe.
Approches à modèles rigides : Des méthodes comme AutoAgents et EvoAgent contraignent les structures d'agents pour améliorer la fiabilité, mais limitent l'adaptabilité et l'expressivité. De plus, des approches comme EvoAgent font généralement évoluer des agents individuels plutôt que de traiter le système multi-agent comme un objet d'optimisation unifié, et elles manquent de mécanismes pour le transfert d'expérience entre requêtes.

Le défi central consiste à explorer efficacement le vaste espace combinatoire des configurations de SMA tout en exploitant les retours d'exécution pour guider des mises à jour structurées, en équilibrant l'exploration de nouveaux designs avec la réutilisation de modèles réussis.

2. Méthodologie : EvoMAS

Les auteurs proposent EvoMAS (Génération évolutive de systèmes multi-agents), un cadre qui formule la génération de SMA comme une génération de configurations structurées plutôt que comme une synthèse de code. EvoMAS opère dans un espace de configurations borné et interprétable, faisant évoluer des configurations de SMA collaboratives via la sélection, la mutation et le croisement.

2.1. Représentation de la configuration

Une configuration de SMA $C$ est définie comme un tuple $(G, \{A_i\}, V_{in}, V_{out})$ :

Graphe ( $G$ ) : Un graphe de communication acyclique définissant la topologie (qui communique avec qui).
Agents ( $A_i$ ) : Chaque agent est défini par un modèle de base ( $b_i$ ), un modèle d'instruction système ( $p_i$ ) et un ensemble d'outils ( $\Gamma_i$ ).
Exécution : Un interpréte d'exécution léger découple la structure du système de la logique d'exécution, instanciant les agents et gérant la communication sur la base de la configuration déclarative.

2.2. Processus évolutif

EvoMAS emploie une recherche évolutive pilotée par un LLM sur un pool de candidats, utilisant les retours d'exécution comme signaux d'apprentissage. Le processus pour une tâche donnée $q$ implique :

Sélection : Les configurations initiales sont récupérées dans un pool amorcé avec des SMA conçus par l'humain (par exemple, Revue par les pairs, Vote majoritaire, MetaGPT) sur la base de la pertinence de la tâche et des métadonnées.
Opérateurs évolutifs : Le système affine itérativement les candidats en utilisant deux opérateurs conditionnés par les traces d'exécution et une mémoire d'expérience :
- Mutation : Modifie exactement un type de composant (instructions, affectations de modèles, listes d'outils ou topologie) d'un seul parent pour répondre à des goulots d'étranglement de performance spécifiques identifiés dans la trace d'exécution.
- Croisement : Récombine deux parents en héritant de la topologie de communication de l'un des parents et en recombinant les attributs au niveau des agents (instructions, modèles, outils) provenant des deux.
Évaluation : Les configurations sont évaluées à l'aide d'une fonction de récompense LLM-comme-juge qui équilibre la performance de la tâche (exactitude, complétude) par rapport au coût computationnel (jetons et latence).
Mises à jour du pool et de la mémoire : Les configurations à haute récompense sont ajoutées au pool pour une réutilisation future. Les traces d'évolution sont résumées en représentations compactes (par exemple, « raffinement de l'instruction pour le formatage de la sortie a amélioré la précision ») et stockées dans une mémoire d'expérience pour guider les recherches futures via une recherche basée sur la similarité.

2.3. Principes de conception clés

Structuré vs Code : En générant des configurations structurées (YAML) plutôt que du code exécutable, EvoMAS évite les erreurs de syntaxe et assure une grande robustesse à l'exécution.
Évolution conjointe : Contrairement aux travaux antérieurs qui optimisent séparément les instructions ou la topologie, EvoMAS fait évoluer conjointement tous les composants (topologie, instructions, modèles, outils) en tant que système unifié.
Mise à l'échelle du calcul au moment du test : EvoMAS adapte la distribution du calcul à travers le système multi-agent via la recherche de configurations, plutôt que d'allouer plus de calcul à un agent unique.

3. Contributions clés

Un paradigme basé sur la configuration : Reformuler la construction de SMA comme une génération de texte structurée, permettant une exploration robuste et expressive de l'espace de conception des SMA sans la fragilité de la génération de code.
Le cadre EvoMAS : Un cadre évolutif piloté par un LLM qui maintient un pool de configurations candidates amorcé à partir de systèmes conçus par l'humain et les affine itérativement via une mutation guidée par l'exécution, un croisement et une réutilisation basée sur la mémoire.
Évaluation comparative complète : Démonstration d'une performance supérieure sur des tâches de raisonnement, de codage et d'appel d'outils, avec des taux de réussite à l'exécution plus élevés par rapport aux SMA conçus par l'humain et aux méthodes antérieures de génération automatique.

4. Résultats expérimentaux

EvoMAS a été évalué sur cinq benchmarks : BBEH (raisonnement), WorkBench (utilisation d'outils) et SWE-Bench-Lite/Verified (ingénierie logicielle).

Gains de performance : EvoMAS a constamment surpassé les références.
- Sur BBEH, il a atteint une précision de 58,7 % (avec sélection automatique de LLM), surpassant le meilleur résultat EvoAgent de +10,5 points et la meilleure configuration par LLM de +5,9 points.
- Sur WorkBench, il a atteint 48,9 %, dépassant le meilleur résultat par LLM de +4,4 points.
- Sur SWE-Bench-Verified, EvoMAS a atteint un taux de résolution de 63,8 %, surpassant la meilleure configuration à LLM unique de +3,4 points et le meilleur SMA prédéfini (MetaGPT) avec une marge significative. Avec Claude-4.5-Sonnet, il a atteint 79,1 %, égalant le sommet du classement public.
Robustesse et exécutabilité : EvoMAS a atteint des taux d'exécution dépassant 96 % sur tous les benchmarks (par exemple, 98,9 % sur BBEH), surpassant significativement les méthodes de génération de code comme MAS-GPT (71,5 % sur BBEH, 1,2 % sur SWE-Bench-Lite).
Comportement de mise à l'échelle : Contrairement aux méthodes à agent unique ou à topologie fixe qui plafonnent ou se dégradent avec l'augmentation des budgets de jetons, EvoMAS continue d'améliorer la performance à mesure que le calcul augmente, découvrant des modèles de coordination plus efficaces.
Généralisation : Le cadre se généralise au raisonnement mathématique (AIME 2024–2025), atteignant une précision de 56,7 %, surpassant les références prédéfinies.

5. Importance et affirmations

L'article affirme qu'EvoMAS représente un passage d'une ingénierie de SMA manuelle et spécifique à une tâche vers une synthèse de système automatisée et adaptative. Son importance réside dans :

Optimisation structurelle : Les gains de performance sont structurels, résultant de la découverte de modèles de coordination efficaces (par exemple, des rôles émergents comme « décomposeur » ou « vérificateur » et des topologies novatrices) plutôt que d'une simple mise à l'échelle du calcul ou de la dépendance à des modèles plus grands.
Fiabilité : En découplant la structure de la logique d'exécution via la configuration, EvoMAS résout les problèmes de fiabilité inhérents aux approches de génération de code, rendant la génération automatique de SMA viable pour des applications réelles.
Adaptation au moment du test : Il fournit un paradigme d'apprentissage basé sur l'état où les améliorations s'accumulent grâce aux mises à jour de configuration et à l'expérience d'exécution, offrant une alternative distincte au réglage fin basé sur le gradient.
Généralisabilité : Le cadre est agnostique aux agents et prend en charge des affectations de modèles hétérogènes, lui permettant de tirer parti des forces de différents LLM pour des rôles spécifiques au sein d'un seul système.

Les auteurs concluent qu'EvoMAS réduit efficacement la barrière au développement d'agents spécialisés, bien qu'ils notent que les travaux futurs devraient aborder la coordination adversariale et réduire davantage les coûts d'évolution.